PENGECAMAN PERISTIWA JATUH SECARA TIBA-TIBA MENGGUNAKAN FITUR GERAKAN DAN PENGELAS
ILHAMAN BIOLOGI SISTEM PENGLIHATAN
NOR SURAYAHANI BINTI SURIANI
TESIS YANG DIKEMUKAKAN UNTUK MEMPEROLEH IJAZAH DOKTOR FALSAFAH
FAKULTI KEJURUTERAAN DAN ALAM BINA UNIVERSITI KEBANGSAAN MALAYSIA
BANGI
ABSTRAK
SUDDEN FALL EVENT RECOGNITIONUSING MOTION FEATURES AND BIOLOGICAL INSPIRED CLASSIFIER OF VISUAL SYSTEM
ABSTRACT
KANDUNGAN
Halaman
PENGAKUAN ii
ABSTRAK iii
ABSTRACT iv
PENGHARGAAN v
KANDUNGAN vi
SENARAI RAJAH x
SENARAI JADUAL xv
SENARAI SINGKATAN xvii
1.1 Latar Belakang 1
1.2 Pernyataan Masalah 2
1.3 Objektif Kajian 5
1.4 Skop Kajian 6
1.5 Susun atur Tesis 6
2.1 Pengenalan 8
2.2 Istilah Yang Digunakan Dalam Pengesanan Peristiwa 8
2.3 Peristiwa Tak Normal 10
2.4 Peristiwa Yang Berlaku Secara Tiba-Tiba (PBSTT) 11
2.5 Klasifikasi PBSTT 12
2.5.1 PBSTT Individu 13
2.5.2 PBSTT Berbilang Individu 13
2.6 Kaedah Pengesanan PBSTT individu 13
2.6.1 Perubahan Bentuk Tubuh 15
2.6.2 Postur Tubuh 17
2.6.3 Perubahan Kepala 3D 18
2.6.4 Jangkamasa Tiada Aktiviti 19
2.6.5 Templat Ruang-masa 20
2.7 Kaedah Pengesanan PBSTT Bagi Berbilang Individu 21 BAB I PENDAHULUAN
2.8 Kaedah Pengelasan PBSTT 23
2.8.1 Kaedah Analitik 23
2.8.2 Kaedah Mesin Pembelajaran 24
2.9 Rumusan Bab 26
3.1 Pengenalan 28
3.2 Perihal Data Simulasi 30
3.3 Pemprosesan Awal Imej 32
3.3.1 Penolakan Latar Belakang 32
3.3.2 Pelicinan Imej 33
3.3.3 Penilaian Prestasi Teknik Pelicinan 37
3.3.4 Penormalan Imej 38
3.4 Penyarian Fitur Gerakan Berasaskan Templat 40
3.4.1 Sejarah Gerakan Imej (MHI) 40
3.4.2 Histogram Sejarah Gerakan (MHH) 43
3.4.3 Agihan Geometri Gerakan (MGD) 48
3.5 Penyarian Fitur Gerakan Berasaskan Aliran Vektor Gerakan 49
3.5.1 Vektor Aliran Optik (OVF) 50
3.5.2 Vektor Aliran Optik Korelasi Fasa (OVFPC) 53 3.6 Penyarian Fitur Gerakan Berasaskan Ilhaman Biologi 57 3.7 Pengelasan Peristiwa Jatuh Menggunakan Mesin Vektor Sokongan
(SVM) 58
3.8 Pengelasan Peristiwa Jatuh Menggunakan k-Kejiranan Terdekat
(k-NN) 60
3.9 Pengelasan Peristiwa Jatuh Menggunakan Rangkaian Neural Suap
Hadapan Ilhaman Biologi (BFFNN) 61
3.10 Pengesahan Sistem Pengesan Peristiwa Jatuh 61
4.1 Pengenalan 64
4.2 Sistem Penglihatan 64
4.3 Model V1 68
4.3.1 Sel Mudah 68
4.3.2 Sel Kompleks 72
BAB III KAEDAH PENYELIDIKAN
4.4 Model Pepaku Neuron 74
4.5 Pelan Gerakan Lapisan MT 79
4.3.1 Histogram berdasarkan bilangan sel aktif (MaxH) 80 4.3.2 Histogram berdasarkan nisbah kejiranan bilangan sel aktif
(NRH) 82 4.3.3 Histogram berdasarkan taburan Gaussian (GaussH) 83 4.6 Rangkaian Neural Suap Hadapan Ilhaman Biologi (BFFNN-P) 89
4.6.1 Fasa Latihan 91
4.6.2 Fasa Pengelasan 93
5.1 Pengenalan 97
5.2 Pemprosesan Awal Imej 97
5.3 Penyarian Fitur 100
5.3.1 Penyarian Fitur Berasaskan Pendekatan Templat 101 5.3.2 Penyarian Fitur Berasaskan Pendekatan AVG 107 5.3.3 Penyarian Fitur Berasaskan Pendekatan Ilhaman Biologi
Sistem Penglihatan 111
5.4 Persediaan Proses Pengelasan 118
5.4.1 Pemilihan saiz kejiranan pengelas k-NN 119
5.4.2 Pemilihan kernel pengelas SVM 120
5.4.3 Pemilihan fitur MMHH_MGD terubahsuai 122
5.4.4 Rumusan 123
5.5 Pengelasan Gerakan Jalan dan Jatuh 124
5.5.1 Set Data Auvinet et al. (2010) 124
5.5.2 Analisa dan Perbandingan 127
5.6 Keluk ROC 136
5.7 Ujian Pengesahan Pengesanan Kejadian Jatuh Berasaskan
Pendekatan Ilhaman Biologi Sepenuhnya 141
5.7.1 Data Ujian Pengesahan 141
5.7.2 Ujian Pengesahan Kejadian Jatuh Berasaskan Pendekatan
Ilhaman Biologi Sepenuhnya 142
5.7.3 Perbandingan Pengelasan Fitur Gerakan Dengan Kajian
Terdahulu Bagi Data Auvinet et al. 147
5.7.4 Kajian Kes 150
6.1 Kesimpulan 162
6.2 Sumbangan Kajian 163
6.3 Cadangan Kajian Lanjutan 165
RUJUKAN 166
LAMPIRAN
A Senarai Penerbitan 175
B Kesahihan Lapangan 176
SENARAI RAJAH
No. Rajah Halaman
2.1 Aras hirarki hubungan semantik 10
2.2 Gambarajah pengecaman PBSTT 12
2.3 Klasifikasi kaedah peristiwa jatuh 15
3.1 Ringkasan teknik pembangunan sistem pengesan peristiwa jatuh
29
3.2 Contoh data MILE yang menunjukkan aksi 1) berjalan, 2) berjalan dengan aksi yang berlebihan, 3) berjoging, 4) tunduk, 5) meniarap 6) duduk dan 7) jatuh.
31
3.3 Contoh-contoh peristiwa jatuh 32
3.4 Proses kerja pemprosesan awal dan proses pelicinan imej 34
3.5 Kernel blok 3 x 3 untuk 8-piksel kejiranan 34
3.6 Pengendali LBP 35
3.7 Langkah penormalan imej, (a) Bingkai imej asal, (b) kotak pembatasan, (c)titik tengah kotak pembatasan yang ditunjukkan oleh bulatan merah tersebut dijajarkan pada satu titik koordinat-x yang baru.
39
3.8 Contoh MHI bagi pergerakan duduk, melambai tangan dan membongkok.
41
3.9 Kaedah menghasilkan templat MMHH (a) Jujukan binari imej dengan piksel tengah berada pada kedudukan ( , ) bagi keseluruhan imej, (b) corak topeng binari untuk pengiraan MMHH
44
3.10 Ilustrasi perwakilan binari, ( , , ) untuk piksel tengah dalam Rajah 3.9(a). Garis putih adalah topeng gerakan bagi kedudukan piksel (220,240) untuk 20 bingkai imej (250 hingga 270).
45
3.11 Kod pseudo algoritma MMHH 47
3.12 Tenaga imej apabila parameter M berubah. 47
3.13 Ilustrasi titik yang bergerak dari kedudukan x, y ke kedudukan (x + δx, y + δy)
3.14 Histogram gerakan berarah (a) AVG, (b) empat komponen arah gerakan, (c) histogram gerakan berarah terangkai
57
3.15 Hipersatah jidar maksimum dalam latihan SVM yang telah disumbangkan oleh vektor sokongan (corak berbirai hijau yang memisahkan dua jidar)
58
3.16 Pemetaan SVM tidak linear kepada linear menggunakan fungsi kernel
59
4.1 Kawasan visual korteks manusia 65
4.2 Orientasi gerakan (a) Bar hitam dan kelabu bergerak ke kanan dengan halaju berbeza, (b) Perbezaan halaju melalui perbezaan sendeng ( > ) dalam ruang (x, t), (c) Penuras berorientasi ruang-masa boleh digunakan untuk mengesan halaju bar kelabu
66
4.3 Fungsi organisasi kawasan MT 67
4.4 Pemetaan log-kutub 73
4.5 Pepaku bagi bagi potensi membran dan purata kadar pencetusan 77 4.6 Rekabentuk rangkaian pepaku suap-hadapan yang
menunjukkan keluaran sel V1 menjadi masukan kepada sel MT 78
4.7 Kaedah persampelan bagi objek yang sedang berjalan. (a) Saiz kernel, = 25.(b) Saiz kernel, = 64.
81
4.8 Blok sel neuron bersaiz 3 × 3 dengan piksel tengah ( , ) 82 4.9 Binaan histogram daripada sel aktif MT yang dianggap
mempunyai taburan Gaussian
86
4.10 Langkah-langkah membina pelan histogram bagi mendapatkan perwakilan vektor yang mengkod corak gerakan.
87
4.11 Carta alir fasa latihan untuk pengelas rangkaian neural suap hadapan ilhaman biologi terubahsuai dengan tiga varian P, I dan D.
90
4.12 Gambarajah blok proses latihan SLP 92
5.1 Paparan sampel imej (a) asal dan keputusan pemprosesan awal untuk (b) PLB sahaja, (c) PLB+NDS, dan (d) PLB+SPF
98
5.2 Sampel imej sarian fitur MHI daripada set data Auvinet et al. bagi gerakan (a) jalan, (b) jatuh ke hadapan, (c) jatuh ke belakang, dan (d) jatuh ke sisi.
102
5.3 Sampel imej sarian fitur MHH daripada set data Auvinet et al. bagi empat corak P untuk gerakan (a) jalan, (b) jatuh ke hadapan, (c) jatuh ke belakang, dan (d) jatuh ke sisi.
104
5.4 Sampel imej sarian fitur MMHH_MMGD daripada set data Auvinet et al. bagi empat corak P untuk gerakan (a) jalan, (b) jatuh ke hadapan, (c) jatuh ke belakang, dan (d) jatuh ke sisi
106
5.5 Imej sarian fitur OVF daripada set data Auvinet et al. bagi keadaan (a) jalan, (b) jatuh ke hadapan, (c) jatuh ke belakang, dan (d) jatuh ke sisi
108
5.6 Imej sarian fitur OVFPC daripada set data Auvinet et al. bagi gerakan (a) jalan, (b) jatuh ke hadapan, (c) jatuh ke belakang, dan (d) jatuh ke sisi
110
5.7 Imej sel V1 daripada set data MILE bagi frekuensi ruang-masa
(a) = 0.05 dan = 2 (b) = 0.2 dan = 2 untuk 8
orientasi arah gerakan (0º, 45º, 90°, 135º, 180°, 225º, 270° dan 315º).
112
5.8 Sampel imej (a) gerakan biologi dalam taburan log polar dan (b) plot mawar bagi situasi jalan untuk beberapa imej terpilih daripada pangkalan data MILE
116
5.9 Sampel imej (a) gerakan biologi dalam taburan log polar dan (b) plot mawar bagi situasi jatuh untuk beberapa imej terpilih daripada pangkalan data MILE
117
5.10 Ringkasan proses kerja pengelasan 118
5.11 Purata peratus kejituan bagi setiap pengelas terhadap ketiga-tiga pendekatan fitur gerakan yang disari.
5.12 Perbandingan purata kepekaan, ketentuan, kejituan dan ralat bagi setiap fitur gerakan
130
5.13 Purata masa latihan bagi setiap fitur gerakan terhadap semua pengelas untuk pengelasan aksi jalan dan jatuh
134
5.14 Purata masa latihan bagi setiap pengelas terhadap semua fitur gerakan untuk pengelasan aksi jalan dan jatuh
135
5.15 Paparan keluk ROC bagi fitur vektor pendekatan templat iaitu kaedah MHI, MMHH_MGD dan MMHH_MMGD
138
5.16 Paparan keluk ROC bagi fitur vektor pendekatan AVG iaitu kaedah OVF dan OVFPC
139
5.17 Paparan keluk ROC bagi fitur vektor pendekatan ilhaman biologi iaitu kaedah MaxH, NRH dan GaussH
140
5.18 Paparan imej peristiwa jatuh yang sama daripada sudut pandangan empat kamera yang berbeza
141
5.19 Keputusan pengelas BFFNN-PD bagi set data MILE untuk gerakan (a) berjalan dan (b) berjalan secara agresif
144
5.20 Keputusan pengelas BFFNN-PD bagi set data MILE untuk gerakan (a) berjogging dan (b) meniarap
145
5.21 Keputusan pengelas BFFNN-PD bagi set data MILE untuk gerakan (a) tunduk dan (b) duduk.
146
5.22 Keputusan pengelas BFFNN-PD bagi set data MILE untuk gerakan jatuh.
147
5.23 Jujukan bingkai imej aksi jalan, duduk dan jatuh 150 5.24 Plot nisbah keserupaan, pengesanan peristiwa jatuh dan
kesahihan lapangan berdasarkan jujukan imej dalam Rajah 5.23 151
5.25 Jujukan bingkai imej bagi aksi jalan, duduk dan jatuh ke belakang
151
kesahihan lapangan berdasarkan jujukan imej dalam Rajah 5.25 5.27 Jujukan bingkai imej aksi jalan, baring dan jatuh ke belakang 153 5.28 Plot nisbah keserupaan, pengesanan peristiwa jatuh dan
kesahihan lapangan berdasarkan jujukan imej dalam Rajah 5.27 154
5.29 Jujukan bingkai imej bagi aksi jalan, tunduk, duduk dan jatuh ke hadapan
155
5.30 Plot nisbah keserupaan, pengesanan peristiwa jatuh dan
kesahihan lapangan berdasarkan jujukan imej dalam Rajah 5.29 156
5.31 Jujukan bingkai imej bagi aksi jalan dan jatuh ke hadapan 156 5.32 Plot nisbah keserupaan, pengesanan peristiwa jatuh dan
kesahihan lapangan jujukan imej dalam Rajah 5.31
157
5.33 Indeks Cohen Kappa dalam memberikan aras keyakinan mengelaskan peristiwa jatuh bagi setiap pasangan penilai
160
5.34 Indeks Cohen Kappa dalam memberikan aras keyakinan
mengelaskan peristiwa jatuh bagi setiap penilai terhadap semua penilai lain
161
SENARAI JADUAL
No. Jadual Halaman
1.1 Perbandingan sistem pengesan peristiwa jatuh berasaskan penglihatan komputer dengan bukan penglihatan komputer
4
2.1 Istilah yang digunakan dalam kajian ini serta takrifannya 10
3.1 Fungsi-fungsi kernel 59
4.1 Parameter dan nilai bagi model neuron 76
4.2 Set parameter untuk lapisan sel V1 dan MT 88
4.3 Algoritma pengelas ilhaman biologi terubah suai 96 5.1 Jadual prestasi gabungan proses PLB+NDS dan proses
PLB+SPF berdasarkan penilaian MSE, SSI dan PSNR (dB) 99
5.2 Pendekatan dan kaedah-kaedah penyarian fitur 101
5.3 Keputusan analisa frekuensi ruang-masa bagi 8 arah orientasi gerakan
114
5.4 Keputusan penalaan arah bagi aksi jalan dan jatuh ke
hadapan 115
5.5 Keputusan awal pengesahihan silang pengelas k-NN 120 5.6 Keputusan awal kernel linear, polinomial dan rbf untuk
pengelas SVM 121
5.7 Keputusan pemilihan fitur gerakan berasaskan pendekatan templat
122
5.8 Ringkasan keputusan pemilihan fitur 123
5.9 Keputusan pengelasan berdasarkan fitur gerakan berasaskan pendekatan templat, AVG dan ilhaman biologi 126 5.10 Ringkasan keputusan pengelasan aksi jalan dan jatuh 127 5.11 Tatatanda Big O untuk kaedah penyarian fitur gerakan 131 5.12 Masa latihan pengelas bagi setiap fitur gerakan 133 5.13 Bacaan AUC keluk ROC bagi setiap kaedah fitur gerakan 136
5.14 Julat nilai ambang untuk analisa ROC 137
5.15 Pengelasan jatuh bagi set data MILE dan Auvinet et al. untuk fitur gerakan GaussH dengan pengelas BFFNN-PD
142
5.16 Perbandingan Keputusan Pengelasan Peristiwa Jatuh
5.17 Perbandingan penilaian juri dengan keputusan keluaran fitur GaussH dengan pengelas BFFNN-PD
158
5.18 Tafsiran indeks Cohen’s Kappa 159
B.1 Kesahihan lapangan bagi pangkalan set data Auvinet et al. 176 B.2 Kesahihan lapangan bagi pangkalan set data Auvinet et al.
oleh Juri 1
177
B.3 Kesahihan lapangan bagi pangkalan set data Auvinet et al.
oleh Juri 2 177
B.4 Kesahihan lapangan bagi pangkalan set data Auvinet et al.
oleh Juri 3 178
B.5 Kesahihan lapangan bagi pangkalan set data Auvinet et al.
oleh Juri 4 178
B.6 Kesahihan lapangan bagi pangkalan set data Auvinet et al. oleh Juri 5
179
B.7 Kesahihan lapangan pangkalan set data MILE untuk aksi
jalan 179
B.8 Kesahihan lapangan pangkalan set data MILE untuk aksi
jalan secara agresif 180
B.9 Kesahihan lapangan pangkalan set data MILE untuk aksi
joging 180
B.10 Kesahihan lapangan pangkalan set data MILE untuk aksi
tunduk 180
B.11 Kesahihan lapangan pangkalan set data MILE untuk aksi
duduk 180
B.12 Kesahihan lapangan pangkalan set data MILE untuk aksi meniarap
181
B.13 Kesahihan lapangan pangkalan set data MILE untuk aksi
SENARAI SINGKATAN
AVG Aliran Vektor Gerakan
AUC Area Under Curve
BFFNN Bio-inspired Feed Forward Neural Network k-NN k- Nearest Neighbor
MGD Motion Geometric Distribution
MHI Motion History Image
MHH Motion History Histogram MVFI Motion Vector Flow Image
MT Middle Temporal
NDS Neighborhood Data Support NRH Neighborhood Ratio Histogram
OVF Optical Vector Flow
OVFPC Optical Vector Flow Phase Correlation PBSTT Peristiwa yang Berlaku Secara Tiba-tiba PLB Penolakan Latar Belakang
RBF Radial Basis Function
ROC Receiver Operating Characteristics SPF Spatial Probability Filter
✰✥✮✤ ✡ ★ ✵ ✬✵ ✡ ✮
✑✎✑ ✬✡ ✴✡ ✲ ✢✥✬✡ ✫ ✡ ✮✧
Pengecaman peristiwa adalah bidang penyelidikan yang semakin menjadi tumpuan di kalangan penyelidik dan telah digunakan secara meluas dalam aplikasi berasaskan komputer seperti video pengawasan untuk kawalan keselamatan, pengindeksan dan penerimaan semula video secara automatik serta pembangunan aplikasi yang memerlukan interaksi antara manusia dan komputer. Secara umumnya, pembangunan sistem pengecaman peristiwa adalah bertujuan untuk memberikan keselesaan dan keselamatan kepada kehidupan manusia. Oleh itu, kajian pengecaman peristiwa amat berkait rapat dengan kepentingan pemasangan sistem pengawasan keselamatan terutamanya di kawasan berisiko tinggi seperti kawasan awam, hospital, rumah pintar, pusat membeli-belah dan sebagainya. Penggunaan sistem pengawasan keselamatan amat penting untuk meningkatkan kawalan keselamatan dan merekod sebarang aktiviti yang tidak diingini bagi tujuan siasatan dan penambahbaikan. Pemasangan sistem penggera pula dapat menyegerakan bantuan semasa berlakunya kecemasan seperti kecurian, kebakaran, letupan, kecederaan fizikal dan kemalangan jiwa.
Kebanyakan kajian pengesanan peristiwa adalah merujuk kepada dwi-peristiwa sahaja, sama ada normal atau tak normal (Candamo et al. 2010; Popoola & Wang 2012). Peristiwa tak normal selalunya merujuk kepada sebarang perilaku manusia yang mencurigakan di tempat awam seperti berjalan pada arah yang bertentangan, berlari di dalam pusat membeli-belah, merayau-rayau atau melepak pada suatu tempat dan meninggalkan barang seperti beg atau kotak di tempat awam.
Walau bagaimanapun, peristiwa tak normal boleh dikelaskan dengan lebih terperinci iaitu sebagai peristiwa yang berlaku secara tiba-tiba ataupun peristiwa yang tidak berlaku secara tiba-tiba. Contohnya, aktiviti merayau-rayau di tempat awam memerlukan satu jangka masa yang tertentu untuk dikelaskan sebagai peristiwa tak normal kerana ia tidak berlaku secara tiba-tiba. Namun, berbeza pula dengan peristiwa tak normal seperti peristiwa jatuh atau ragut yang dapat dikesan dengan serta merta. Ini kerana peristiwa jatuh atau ragut yang berlaku secara tiba-tiba menyebabkan perubahan yang drastik pada gerakan tubuh mangsa. Kejadian jatuh dan ragut ini memerlukan bantuan pertolongan segera diambil. Peristiwa tersebut dikelaskan sebagai peristiwa tak normal yang berlaku secara tiba-tiba. Justeru, pengesanan dan pengecaman peristiwa jatuh secara tiba-tiba khususnya warga tua atau kanak-kanak yang berasaskan penglihatan adalah amat perlu dilaksanakan demi menjaga keselamatan dan kepentingan awam sekaligus menjamin keselesaan kehidupan. Namun begitu, keberkesanan kajian pengecaman peristiwa jatuh secara tiba-tiba adalah bergantung kepada keberkesanan kaedah pengesanan objek dan algoritma mesin pembelajaran.
Penggunaan sistem penggera membolehkan tindakan pantas diambil bagi mengelakkan sebarang peristiwa yang lebih buruk berlaku seperti kecederaan ataupun kematian. Kesimpulannya, peristiwa yang berlaku secara tiba-tiba adalah subset kepada peristiwa tak normal yang biasanya terjadi tanpa amaran awal (tidak diduga) dan menyebabkan berlakunya keadaan cemas yang memerlukan bantuan segera diambil bagi mengelakkan peristiwa yang lebih buruk daripada berlaku.
1.2 PERNYATAAN MASALAH
diperlukan untuk menjaga keperluan harian, keselamatan dan keselesaan warga tua di pusat-pusat jagaan. Contohnya, (Gerontology Home, GERHOME) merupakan projek perintis (Bremond et al. 2010) yang menyediakan sistem pengawasan untuk warga tua secara automatik. Sistem ini berfungsi sebagai alat penggera yang disasarkan untuk warga tua bagi mengawasi sebarang kes kecemasan atau jenayah yang memerlukan bantuan segera daripada pihak yang bertanggungjawab. Oleh itu, kajian pengesanan peristiwa berasaskan penglihatan komputer ini bertujuan untuk merapatkan jurang dan kekurangan yang wujud dalam pembangunan sistem pengesanan peristiwa yang bukan berasaskan sistem penglihatan komputer seperti penderia dan peranti elektronik yang lain. Isu kajian pengesanan peristiwa berasaskan penglihatan komputer turut dibincang dan diulas dalam beberapa kertas kajian tentang pengesanan peristiwa jatuh (Noury et al. 2007; Mubashir et al. 2013; Raul et al. 2013).
Kebanyakan kajian (Barralonl et al. 2003; Nyan et al. 2008; Gamboa & Silva 2010; Majumder et al. 2014;) lebih menjurus ke arah rekaan penderia tahan lasak untuk dipakai oleh pengguna bagi mengesan sebarang peristiwa yang tidak diingini ketika mereka melakukan aktiviti-aktiviti harian. Antara penderia yang biasa digunakan adalah penderia lantai, penderia inframerah dan penderia tekanan. Penderia ini akan merakam bentuk isyarat yang terhasil dengan menggunakan kaedah meter pecut untuk mengukur pecutan tubuh badan dan aktiviti fizikal tubuh. Penderia ini juga dipasang pada dinding, di dalam kasut atau dipakai oleh pengguna pada bahagian tertentu tubuh seperti pergelangan tangan, pinggang dan kaki. Peristiwa jatuh secara tiba-tiba dapat dikesan melalui perubahan bentuk isyarat aktiviti fizikal pengguna yang bertukar secara drastik berbanding bentuk isyarat aktiviti normal. Seterusnya, pihak yang bertanggungjawab akan memberikan bantuan kecemasan dengan segera setelah menerima isyarat penggera. Walau bagaimanapun, penggunaan penderia ini sangat sensitif kepada gegaran yang boleh menyebabkan penghantaran isyarat palsu sekaligus menjejaskan kepekaan sistem pengawasan.
kepada gangguan gegaran luaran. Pengesanan berasaskan penglihatan juga dapat memberi keselesaan kepada pengguna kerana tidak perlu memakai sebarang peranti terutamanya ketika sedang menjalani aktiviti harian atau ketika bersenam. Peranti yang menggunakan bateri pula perlu sentiasa dicas dan adakalanya pengguna terlupa untuk berbuat demikian. Selain itu, butang kecemasan yang terdapat pada peranti tidak dapat ditekan sekiranya mangsa jatuh dan pengsan. Pemasangan penderia pada dinding dan lantai pula melibatkan kos yang tinggi dan keberkesanan penderia juga bergantung pada bahan binaan dinding dan lantai yang digunakan. Oleh itu, pengesanan peristiwa berasaskan penglihatan komputer dilihat sebagai kaedah alternatif lain dalam membantu meningkatkan pengawasan untuk menjamin keselamatan pengguna. Keberkesanan sistem pengesanan yang dipasang bersama sistem penggera juga dapat mempercepat bantuan kecemasan untuk diberikan kepada mangsa. Jadual 1.1 menunjukkan perbandingan sistem pengesan peristiwa jatuh berasaskan penglihatan komputer dan bukan penglihatan komputer.
Kaedah sistem pengesan peristiwa
Bukan berasaskan penglihatan komputer
Berasaskan penglihatan komputer
Perkakasan Alat pemakai peranti tahan lasak, penderia, peranti meter pecut (Barralonl et al 2003; Nyan et al. 2008; Majumder et al. 2014)
Satu atau berbilang kamera dan komputer untuk
memproses data
Kelebihan Perlindungan kerahsiaan pengguna, menggunakan penderia untuk mengesan gerakan, halaju dan kesan hentaman akibat jatuh
Kos yang efektif, mudah dan selesa untuk digunakan, kadar isyarat palsu yang kurang dan pengesanan perubahan bentuk tubuh melalui kaedah visual Kekurangan Kadar isyarat palsu yang
tinggi, kurang selesa dipakai, terdedah pada gangguan hingar, tidak dapat mengesan perubahan bentuk tubuh
Hanya boleh mengesan gerakan dan halaju, melanggar hak privasi pengguna dan
keberkesanannya
bergantung pada kejituan imej bebayang objek yang terhasil yang dipengaruhi oleh hingar dan
pencahayaan
Kaedah penyelidikan pengesanan peristiwa jatuh berasaskan penglihatan komputer menggunakan kaedah yang hampir sama. Kebanyakan kajian lepas melibatkan kaedah pengesanan objek yang dihasilkan melalui proses penolakan latar belakang. Kaedah yang paling popular adalah berdasarkan kotak pembatasan untuk menentukan kejadian jatuh. Fitur 2D berasaskan bentuk dan postur tubuh menjadi pilihan kebanyakan penyelidik terdahulu. Keberkesanan fitur 2D sangat bergantung kepada proses penolakan latar belakang untuk mendapatkan imej bebayang objek yang baik. Namun, fitur 2D tunggal sahaja tidak cukup untuk menentukan kejadian jatuh. Sebaliknya permodelan fitur 3D pula memerlukan data daripada beberapa kamera untuk menentukan posisi objek. Pemerolehan data 3D memakan masa yang agak lama dan tidak sesuai untuk aplikasi masa nyata. Manakala, pengecaman jatuh berasaskan fitur gerakan pula dapat menghasilkan penampilan arah dan halaju gerakan objek. Oleh itu, kajian ini telah mempertimbangkan fitur gerakan untuk menangani permasalahan dalam kajian pengecaman peristiwa jatuh. Ini kerana fitur gerakan dapat memberikan maklumat arah, halaju dan orientasi gerakan yang boleh mengesan perubahan mendadak pada gerakan tubuh ketika berlakunya peristiwa jatuh. Kajian ini turut mencadangkan penyarian fitur berasaskan pendekatan ilhaman biologi yang menyerupai pemprosesan maklumat visual dalam sistem penglihatan manusia.
1.3 OBJEKTIF KAJIAN
Berdasarkan latar belakang dan pernyataan masaalah pada bahagian sebelum ini, objektif utama kajian ini ialah untuk membangunkan kaedah untuk mengesan dan mengenalpasti peristiwa warga tua terjatuh. Untuk mencapai objektif tersebut, beberapa sub-objektif disenaraikan seperti berikut:
a. Membangunkan kaedah penyarian fitur gerakan baru yang sesuai untuk mengesan peristiwa warga tua terjatuh
b. Menguji dan menambahbaik keupayaan pengelas sedia ada dalam pengelasan peristiwa warga tua terjatuh
1.4 SKOP KAJIAN
Kajian yang dijalankan hanya melibatkan pembangunan sistem pengesanan peristiwa jatuh dalam bentuk perisian sahaja. Kajian ini menggunakan data video daripada Universiti Montreal Kanada (Auvinet et al. 2010) dan pangkalan data MILE (Mile Group 2012). Video tersebut mengandungi rakaman simulasi peristiwa jatuh disamping beberapa aktiviti lain seperti berjalan, baring, tunduk dan duduk. Kajian ini terhad kepada peristiwa jatuh secara tiba-tiba dengan melibatkan hanya seorang pelaku sahaja dalam sesebuah video. Simulasi pula dijalankan dengan menggunakan satu atau lebih pandangan kamera tanpa tentukur yang tidak bersandar. Video ini dirakam dalam ruang bilik dengan pencahayaan lampu biasa. Pengelas dua keadaan diuji untuk membuat perbandingan di antara peristiwa jatuh berbanding aktiviti normal yang lain.
Pengesanan objek pada peringkat awal pemprosesan imej bertujuan untuk mendapatkan imej bebayang objek, sekaligus imej bebayang objek ini dapat menangani isu perlindungan kerahsiaan dalam kajian pengesanan peristiwa jatuh. Imej bebayang objek diperolehi melalui proses penolakan latar belakang dengan teknik pelicinan sokongan data kejiranan (NDS) dan penuras kebarangkalian ruang (SPF). Manakala, kaedah penyarian fitur gerakan terbahagi kepada tiga kategori iaitu sifat gerakan ruang-masa berasaskan pendekatan 1) templat, 2) aliran vektor gerakan (AVG) dan 3) ilhaman biologi sistem penglihatan manusia. Pada bahagian akhir kajian, pengelas terbaik diperolehi berdasarkan kadar pengecaman peristiwa jatuh yang tertinggi. Penambahbaikan pengelas dilakukan untuk meningkatkan kadar kejituan sistem pengesan peristiwa jatuh. Fokus utama kajian adalah penyarian fitur gerakan berdasarkan sistem penglihatan dan kaedah pengelasan yang diilhamkan daripada rangkaian ilhaman biologi.
1.5 SUSUN ATUR TESIS
BAB II
KAJIAN KEPUSTAKAAN
2.1 PENGENALAN
Bab ini membentangkan hasil kajian kepustakaan tentang pengecaman peristiwa jatuh yang telah dilakukan. Ianya dimulakan dengan penerangan tentang a) istilah yang diguna pakai dalam pengesanan peristiwa, b) perbezaan di antara peristiwa tak normal dengan peristiwa yang berlaku secara tiba-tiba iaitu peristiwa jatuh dan c) sifat-sifat khusus peristiwa jatuh. Ini diikuti pula dengan sorotan kajian terdahulu mengenai kajian pengesanan peristiwa yang berlaku secara tiba-tiba iaitu jatuh dan ragut. Pengenalan kepada istilah yang digunakan dalam kajian pengesanan peristiwa bertujuan untuk memberi pendedahan awal dan sekaligus menjurus ke arah kepentingan kajian pengesanan peristiwa yang berlaku secara tiba-tiba. Bahagian seterusnya menyingkap kaedah yang telah digunakan oleh penyelidik terdahulu berkaitan dengan kaedah pra-pemprosesan imej, kaedah pengesanan, kepelbagaian penyarian fitur dalam proses pengecaman corak sesuatu objek dan penentuan mesin pembelajaran yang terbaik. Hasil kajian kepustakaan penyelidikan terdahulu dijadikan rujukan serta asas kepada penambahbaikan kaedah yang dicadangkan dalam kajian ini.
2.2 ISTILAH YANG DIGUNAKAN DALAM PENGESANAN PERISTIWA
tersebut. Istilah ‘aksi’ dibezakan daripada ‘aktiviti’ oleh Bobick (1997) berdasarkan kewujudan peristiwa dalam sesebuah adegan, dengan ‘aksi’ berada pada aras semantik yang lebih tinggi berbanding ‘aktiviti’. Istilah ‘aksi’ ditakrifkan sebagai gerakan corak yang berbentuk gerak-isyarat tubuh dan mempunyai trajektori yang tersendiri seperti berjalan, berlari, duduk dan sebagainya. Takrifan ini turut dipersetujui oleh Ballan et al. (2010) yang menakrifkan ‘aksi’ sebagai tugasan ringkas yang berorientasikan pergerakan tubuh untuk berinteraksi dengan objek dan persekitarannya. Namun, berbeza dengan Lavee et al. (2009) yang merumuskan istilah ‘aksi’ adalah sebahagian daripada ‘peristiwa’.
Istilah ‘aktiviti’ pula melibatkan jujukan gerakan yang berulang (Teddy 2009). Takrifan ini turut digunakan dalam beberapa kajian lain yang merumuskan istilah ‘aktiviti’ sebagai jujukan ‘aksi’ yang dipersembahkan oleh individu atau beberapa orang pelaku dan berlaku dalam jangka masa yang lama untuk berinteraksi dengan objek iaitu pasif entiti atau sesuatu yang tidak bergerak (Ballan et al. 2010; Nikom 2011).
Seterusnya, istilah ‘peristiwa’ pula kebiasaannya bergantung kepada perihal sesuatu aplikasi yang bertujuan untuk menerangkan ‘apa yang sedang berlaku’. Beberapa kajian sebelum ini menakrifkan ‘peristiwa’ sebagai pelbagai ‘aksi’ atau ‘aktiviti’ yang wujud dalam jujukan masa secara linear dan mempunyai aras tunggal dalam entiti ruang-masa (Hongeng & Nevatia 2001; Candamo et al. 2010). Istilah ‘peristiwa’ juga ditakrifkan sebagai perubahan keadaan pada dua masa yang berturutan (Teddy 2009). Satu lagi takrifan yang lebih jelas adalah ‘peristiwa’ merupakan sesuatu yang berlaku pada lokasi dan masa yang tertentu iaitu mempunyai segmen masa mula dan tamatnya sesuatu peristiwa (Ballan et al. 2010; Kurby & Zacks 2008). Dengan itu, satu senarai ringkas istilah beserta takrifannya untuk kegunaan dalam kajian pengesanan peristiwa yang berlaku secara tiba-tiba telah disenaraikan pada Jadual 2.1.
Istilah Takrifan
Aksi Siri-siri gaya oleh seseorang pelaku secara individu atau berinteraksi dengan objek atau berinteraksi dengan pelaku yang lain
Aktiviti Kepelbagaian aksi yang dilakukan untuk satu tujuan atau objektif yang tertentu
Peristiwa Masa untuk menyelesaikan sesuatu ‘aktiviti’
Rajah 2.1 menunjukkan hubungan hirarki di antara ‘peristiwa’, ‘aksi’ dan ‘aktiviti’ dalam sesebuah video berdasarkan istilah yang mendefinisikan ‘peristiwa’ berada pada aras semantik tertinggi, diikuti oleh ‘aktiviti’ dan ‘aksi’ (Nagel, 1988; Venu, 2011).
Rajah 2.1 Aras hirarki hubungan semantik
2.3 PERISTIWA TAK NORMAL
Secara umumnya, kebanyakan kajian pengesanan peristiwa adalah merujuk kepada peristiwa tak normal. Peristiwa tak normal ditakrifkan sebagai peristiwa yang bergantung kepada tempoh masa dan ruang tetapi tidak menepati mana-mana bentuk pergerakan yang telah dilalui sebelumnya (Popoola & Wang 2012). Takrifan tersebut telah diformulasikan melalui konsep asal yang mengelaskan peristiwa tak normal sebagai suatu peristiwa yang berlaku pada tempat dan masa yang tidak sepatutnya (Varadarajan & Odobez 2009) serta disifatkan sebagai peristiwa yang jarang berlaku atau tidak menyamai peristiwa normal (Johnson et al. 2005).
Peristiwa
Aktiviti 1 Aktiviti 2 Aktiviti 3 … Aktiviti n
…
2.4 PERISTIWA YANG BERLAKU SECARA TIBA-TIBA (PBSTT)
Peristiwa yang berlaku secara tiba-tiba (PBSTT) belum pernah ditakrifkan secara khusus dalam sebarang kajian sebelum ini. Menurut pandangan ahli psikologi, PBSTT adalah pergerakan yang disebabkan oleh perubahan bentuk yang signifikan kepada trajektori pergerakan (Jagacinski et al. 1983). Tekanan yang diberikan kepada objek semasa peristiwa telah menyebabkan terhasilnya perubahan dinamik kepada arah dan kelajuan objek.
Justeru, kajian ini menakrifkan istilah PBSTT sebagai peristiwa tak normal yang berlaku di luar jangkaan dan tidak diduga. PBSTT berlaku secara mendadak dan perlakuannya menyimpang daripada peristiwa yang berlaku pada tempoh sebelumnya. PBSTT juga akan menyebabkan berlakunya peristiwa cemas di mana bantuan dan tindakan segera perlu diambil. Contohnya, peristiwa apabila warga tua yang tinggal bersendirian terjatuh yang mungkin disebabkan oleh faktor hilang keseimbangan badan, hilang bantuan sokongan objek luaran seperti tongkat dan tergelincir atau melanggar sesuatu objek secara tidak sengaja. Peristiwa jatuh ini dikenal pasti sebagai peristiwa yang berlaku secara tiba-tiba kerana berlaku di luar jangkaan dan peristiwa atau kejadian tersebut perlu dikesan segera bagi membolehkan bantuan perubatan diberi kepada mangsa. Hal ini jelas menunjukkan bahawa peristiwa yang berlaku secara tiba-tiba mempunyai sifat-sifat peristiwa yang perlu dikenalpasti dengan segera.
Peristiwa ragut biasanya berlaku di tempat terbuka dan menarik perhatian orang awam untuk segera memberikan bantuan kepada mangsa ragut.
Kesimpulannya, takrifan PBSTT adalah: 1) subset kepada peristiwa luar biasa, 2) peristiwa yang berlaku yang berlaku di luar jangkaan, tidak diduga dan mencetuskan peristiwa cemas, serta, 3) peristiwa yang memerlukan tindakan segera diambil seperti memicu alat penggera keselamatan secara automatik supaya dapat mengelakkan peristiwa yang lebih buruk berlaku. Takrifan PBSTT digambarkan pada Rajah 2.2.
Rajah 2.2 Gambarajah pengecaman PBSTT
2.5 KLASIFIKASI PBSTT
2.5.1 PBSTT Individu
Peristiwa ini hanya menonjolkan perilaku seorang pelaku sahaja tanpa sebarang interaksi yang melibatkan orang lain. Contohnya, peristiwa pesakit yang jatuh dari katil di wad hospital atau orang tua yang jatuh di rumah penjagaan atau rumah sendiri. 2.5.2 PBSTT Berbilang Individu
Peristiwa ini melibatkan perilaku dua orang atau lebih yang berinteraksi antara satu sama lain (berbilang individu). Sebagai contoh, mangsa yang berseorangan diserang oleh beberapa orang pelaku lalu mencetuskan pergaduhan, aksi peragut di tempat awam dan lain-lain.
2.6 KAEDAH PENGESANAN PBSTT INDIVIDU
Kaedah pengesanan PBSTT bagi individu hanya memfokuskan kepada peristiwa jatuh. Terdapat tiga senario peristiwa jatuh utama iaitu jatuh ke hadapan (tertiarap), jatuh ke belakang (terlentang) dan jatuh ke sisi (tumbang). Ciri dan faktor scenario jatuh tersebut adalah seperti berikut,
2. Jatuh ke belakang/ terlentang - peristiwa jatuh ke belakang biasanya berlaku ketika posisi awal mangsa adalah pada keadaan berdiri atau duduk dan kebiasaannya melibatkan senario di mana bahagian belakang tubuh mangsa berada pada kedudukan terbaring di atas permukaan lantai. Peristiwa jatuh terlentang ini seringkali berpunca daripada aktiviti harian seperti tergelincir akibat lantai licin ketika berjalan. Peristiwa jatuh dengan posisi ke belakang turut menghasilkan pergerakan amplitud tubuh yang besar.
3. Jatuh ke sisi/ tumbang - posisi jatuh ke sisi adalah senario di mana mangsa jatuh dan terbaring pada keadaan sisi kanan atau kiri tubuh berada pada kedudukan mendatar di atas permukaan lantai. Posisi jatuh yang sebegini merupakan yang paling kerap berlaku disebabkan oleh hilangnya kawalan keseimbangan badan. Kehilangan kawalan keseimbangan badan biasanya dialami oleh penghidap Parkinson yang menyebabkan pergerakan tubuh badan terbatas disebabkan oleh tubuh mereka yang menggigil (Stephen et al. 2013). Posisi jatuh ke sisi juga boleh berlaku ketika mangsa jatuh dari katil semasa tidur. Kebiasaannya, posisi jatuh ke sisi berlaku secara perlahan dan hanya menghasilkan gerakan amplitud yang kecil.
Rajah 2.3 Klasifikasi kaedah peristiwa jatuh
2.6.1 Perubahan Bentuk Tubuh
Kaedah pengesanan peristiwa jatuh telah banyak dihasilkan berdasarkan perubahan mendadak terhadap bentuk tubuh (Noury et al. 2007) yang melibatkan perubahan orientasi tubuh dari posisi menegak ke posisi melintang. Perubahan posisi ini dikesan melalui sifat geometri yang paling popular iaitu kotak pembatasan (Miaou et al. 2006; Vishwakarma et al. 2007; Anderson et al. 2009;) dan elips terhampir (Foroughi et al. 2008; Rougier et al. 2007). Pemprosesan awal imej perlu dilakukan untuk menghasilkan imej bebayang tubuh bagi tujuan pengesanan peristiwa jatuh melalui kaedah penolakan latar belakang. Hasil penolakan latar belakang yang baik perlu mengambil kira kaedah untuk mengurangkan hingar, kesan pencahayaan, pembuangan bayang dan keupayaannya dalam menangani latar belakang imej yang berserabut. Sifat geometri daripada imej bebayang yang diperolehi boleh menentukan kedudukan titik tengah, nisbah bidang, sudut jatuh, kecerunan mengufuk dan menegak, unjuran posisi kepala dan halaju gerakan.
Namun, kelemahan pada kaedah penolakan latar belakang (PLB) yang digunakan ialah penghasilan imej bebayang yang besar ketika objek sedang bergerak dan imej bebayang beransur-ansur hilang apabila objek berhenti bergerak (Mirmahboub et al. 2013). Hal ini disebabkan oleh PLB yang sentiasa mengemaskini latar belakang imej dan menyebabkan objek yang tidak bergerak turut menjadi sebahagian daripada latar belakang.
Peristiwa Jatuh Berasaskan Penglihatan
Perubahan
Bentuk Tubuh Postur Tubuh
Perubahan
Lazimnya, peristiwa jatuh dapat dikesan apabila orientasi tubuh berubah daripada posisi menegak kepada mengufuk. Perubahan orientasi tubuh ini menyebabkan nilai nisbah bidang meningkat (Miaou et al. 2006; Vishwakarma et al. 2007). Gabungan sifat orientasi tubuh dan halaju pusat imej bebayang objek mengesahkan peristiwa jatuh dengan mengambil kira nilai ambang yang berbeza mengikut perbezaan ketinggian seseorang (Lee & Mihailidis 2005). Namun begitu, nisbah bidang pada objek yang dirakam oleh berbilang kamera pada jarak kurang daripada 4 meter mempengaruhi kepersisan keputusan pengesanan (Cucchiara et al., 2005). Selain itu, peristiwa jatuh juga boleh dikesan apabila sudut paksi kotak pembatasan dengan paksi mengufuk adalah kurang daripada 45 darjah (Vishwakarma et al. 2007). Namun begitu, kaedah ini tidak boleh digunakan apabila mangsa jatuh pada arah yang sama atau bertentangan dengan pandangan kamera.
Peristiwa jatuh biasanya berlaku secara tiba-tiba atau secara tidak sengaja dan menyebabkan perubahan mendadak kepada bentuk tubuh. Perubahan bentuk tubuh dikira berdasarkan kuantiti gerakan yang dihasilkan melalui kombinasi perwakilan elips terhampir dan sejarah gerakan imej (MHI) (Rougier et al. 2007). Perubahan bentuk tubuh secara drastik ini juga dibuktikan melalui kaedah pemadanan konteks bentuk yang diukur menggunakan purata kos pemadanan dan jarak Procustes (Rougier et al., 2011). Selain penggunaan fitur kotak pembatasan, nisbah bidang, orientasi tubuh atau pemadanan titik pinggir yang disari berdasarkan perubahan bentuk tubuh, fitur ruang skala kelengkungan (curvature scale space, CSS) digunakan untuk mengesan kejadian jatuh yang pantas atau perlahan (Ma et al., 2014). Kaedah CSS membezakan aktiviti pelaku melalui lengkung yang diperolehi berdasarkan titik maksima. Sifat fitur CSS yang teguh terhadap perubahan bentuk tubuh menghasilkan fitur yang lebih padat untuk membezakan di antara aktiviti normal dan peristiwa jatuh.
2011). Peristiwa jatuh dikenalpasti apabila analisa isipadu sebaran tubuh 3D menunjukkan sebaran pada paksi mendatar iaitu pada kedudukan yang hampir dengan permukaan lantai. Penggunaan berbilang kamera dan unit pemprosesan grafik (GPU) boleh meningkatkan keberkesanan algoritma yang dibina. Kebolehpercayaan sistem pengesanan peristiwa jatuh menggunakan maklumat perubahan bentuk tubuh perlu disokong oleh tentukur kamera atau penggunaan sensor Kinect untuk merekod kedalaman imej (Rougier et al. 2011;Mastorakis & Makris 2012).
Penggunaan kamera lebar pula digunakan dalam kajian Bosch-Jorge et al. (2014) bagi mengurangkan bilangan kamera yang diperlukan untuk mengawasi kawasan yang lebih luas. Fitur vektor graviti iaitu sudut di antara vektor graviti dan garisan dari kaki ke kepala serta saiz badan bahagian atas dikira berdasarkan tentukur kamera. Namun, pengelasan peristiwa jatuh berbanding berbaring yang dikira berdasarkan bilangan bingkai imej dengan nisbah sebenar saiz badan bahagian atas tidak dapat dibezakan dengan baik.
2.6.2 Postur Tubuh
Aktiviti manusia mengandungi beberapa aksi yang menggambarkan pelbagai gaya tubuh yang berbeza. Oleh itu, peristiwa jatuh juga boleh ditentukan dengan postur tubuh yang tertentu. Hal ini selaras dengan beberapa kajian lepas yang menggunakan sifat postur dalam pengesanan peristiwa jatuh. Contohnya, peta postur tubuh telah dibina melalui unjuran histogram untuk mengawasi pergerakan seseorang (Cucchiara et al. 2005). Jelmaan diskret Fourier (DFT) dilaksanakan pada unjuran histogram untuk mendapatkan magnitud pekali jelmaan Fourier, nisbah panjang dan lebar bebayang sebagai sifat penentuan postur tubuh (Juang et al. 2007).
komponen prinsipal (PCA) digunakan untuk menyari paksi prinsipal dan kedudukan titik tengah bebayang tubuh badan yang ditandakan sebagai pusat graviti dalam penyarian fitur postur (Brulin et al. 2012). Manakala, kepelbagaian postur tubuh terutamanya pada postur berdiri, baring, duduk dan menunduk boleh dibezakan melalui pemadanan elips dan unjuran histogram sepanjang paksi elips (Miaou et al. 2013).
Namun begitu, pengesanan jatuh berdasarkan postur tubuh banyak bergantung kepada keberkesanan kaedah PLB dan cabarannya terletak pada mengklasifikasikan bentuk tubuh baring atau menunduk berbanding posisi jatuh. Kebanyakan kajian bentuk postur yang menggunakan penyarian tubuh berdasarkan imej bebayang objek mengambil kira sifat ketinggian dan kelebaran tubuh untuk mendapatkan nilai nisbah bidang. Hal ini menyebabkan berlakunya kesilapan pengiraan lebar imej bebayang tubuh sekiranya pelaku meregangkan tangan ke atas. Oleh itu, profil kotak pembatasan bagi anggota atas tubuh yang dihasilkan melalui kaedah unjuran histogram boleh menunjukkan perbezaan ketara yang wujud antara postur tubuh berdiri dan baring (Liu et al. 2010).
2.6.3 Perubahan Kepala 3D
jatuh sebanyak 96%. Namun, kebergantungan pada pengesanan kedudukan kepala 2D menyebabkan peristiwa jatuh gagal dikesan jika kepala mangsa tidak kelihatan dalam imej tersebut akibat terlindung daripada objek lain.
Oleh itu, pengesanan perubahan kepala 3D diperkenalkan untuk mengatasi kelemahan pengesanan kepala 2D melalui kaedah seperti unjuran histogram (Foroughi et al. 2008). Selepas itu, peristiwa jatuh disahkan oleh model kepala 3D berdasarkan tempoh masa gerakan mendatar yang lebih panjang berbanding gerakan menegak (Jansen & Deklerck 2006). Selain itu, perubahan kepada 3D dikesan melalui model warna kulit yang bertujuan untuk menentukan kedudukan kepala (Hazelhoff et al. 2008), model penuras partikel berdasarkan kuantiti gerakan MHI (Miao et al. 2009) dan penjejakan kepala menggunakan penuras partikel (Rougier et al. 2010). Sifat halaju juga dapat menyari trajektori model kepala bentuk 3D ellipsoid untuk mengesan peristiwa jatuh (Rougier et al. 2010). Seterusnya, nilai ambang yang sesuai digunakan untuk mengesan peristiwa jatuh pada kadar kepekaan 100% dengan kadar ralat 5% pada jarak objek melebihi 5 meter. Kelebihan kaedah pengesanan peristiwa jatuh berdasarkan perubahan kepala 3D ialah kedudukan kepala kurang bertindih dengan pandangan kamera dan kuantiti gerakan kepala yang tinggi sesuai digunakan untuk mengesan peristiwa jatuh. Namun, masa operasi yang panjang diperlukan bagi memproses data yang diperolehi dari berbilang kamera untuk aplikasi penjejakan 3D dalam masa nyata.
2.6.4 Jangkamasa Tiada Aktiviti
dari pandangan atas objek dan kamera stereo (Jansen & Deklerck 2006) untuk merekod kedalaman imej bagi menentukan kawasan orientasi tubuh. Ketiadaan aktiviti disahkan apabila tiada perubahan pada orientasi tubuh objek pada zon tidak normal dan jangkamasa tersebut dikenalpasti sebagai tempoh masa berlakunya peristiwa jatuh. Ini selari dengan dapatan kajian yang menggabungkan pengesanan ketiadaan aktiviti dengan maklumat 3D postur tubuh melalui objek bebayang dan penentuan pusat jisim tubuh bagi tujuan pengesanan peristiwa jatuh seperti yang dilaporkan oleh Diraco et al. (2010).
Walau bagaimanapun, kaedah pengesanan peristiwa jatuh berdasarkan jangka masa tiada aktiviti adalah terdedah kepada masalah kegagalan sistem pengesanan jatuh jika seseorang itu tidur di kawasan zon tidak normal pada siang hari. Peristiwa jatuh juga akan lewat dikesan jika perlu mengambil kira tempoh masa tiada aktiviti yang tertentu. Selain itu, sistem ini juga perlu melakukan konfigurasi semula kedudukan zon normal dan zon tidak normal setiap kali pengguna mengubah susun atur perabut rumah. Namun, kelebihannya terletak pada beban pengkomputeran yang rendah dan dengan itu, hanya memerlukan peranti komputer yang berkapasiti kecil sahaja untuk aplikasi masa nyata.
2.6.5 Templat Ruang-masa
Kaedah templat ruang-masa yang dikenali sebagai imej gerakan masa bersepadu (ITMI) menggabungkan maklumat gerakan dan masa berlakunya sesuatu gerakan sebagai satu model bersepadu dalam menentukan bentuk tubuh bagi menentukan aktiviti yang sedang dilakukan (Foroughi et al. 2008). Pengurangan dimensi sifat gerakan dengan menggunakan kaedah ruang eigen dilakukan sebelum disuap masuk sebagai input ke dalam pengelas rangkaian neural. Selain mengambil kira sifat gerakan dalam templat ruang masa, halaju dan arah gerakan turut digunakan bagi membezakan peristiwa jatuh berbanding dengan aktiviti harian yang lain. Contohnya, faktor halaju diambil kira dalam penganalisaan gaya jalan seseorang bagi menentukan ketaknormalan pada aktiviti yang sedang berlaku (Wang 2011). Manakala, kaedah imej aliran vektor gerakan (MVFI) berasaskan templat gerakan ruang masa (Olivieri et al. 2012) mengekod maklumat halaju dan arah gerakan bagi meningkatkan kepekaan terhadap gerakan tubuh yang pantas ketika peristiwa jatuh berlaku.
Gabungan sifat 2D seperti nisbah paksi major dan paksi minor elips, sudut jatuh, kuantiti gerakan, gerakan tenaga imej (MEI) dan kawasan gerakan (MA) digunakan untuk membangunkan sistem pengesanan awal melalui pengecaman peristiwa tergelincir sebelum berlakunya peristiwa jatuh (Liao et al. 2012). Kaedah penyarian fitur berdasarkan korelasi templat ruang-masa mempunyai kelebihan dalam video yang mempunyai resolusi dan kualiti video yang rendah serta mudah untuk dilaksanakan dengan pengkomputeran algoritma yang minima (Paul et al. 2013). Walau bagaimanapun, kaedah templat ruang-masa ini mudah terdedah kepada hingar dan mengalami perbezaan tempoh masa gerakan semasa aktiviti berlangsung.
2.7 KAEDAH PENGESANAN PBSTT BAGI BERBILANG INDIVIDU
Kajian tentang pengesanan peristiwa jenayah ragut menggunakan kaedah pemprosesan aras rendah dan aras tinggi. Pemprosesan aras rendah melibatkan langkah penjejakan objek iaitu mangsa dan pelaku serta pengesanan corak gerakan kedua-dua objek tersebut. Corak gerakan objek dikenal pasti dengan menggunakan kaedah aliran optik untuk menganggar kecerunan piksel yang mengalami perubahan gerakan (Goya et al. 2009; Ibrahim et al. 2012). Penjejakan objek juga boleh menghasilkan corak trajektori gerakan (Liu & Chua 2006) yang dapat menggambarkan peranan objek tersebut dalam sesebuah adegan. Peranan objek tersebut diperhatikan dan diramal berdasarkan kelompok corak trajektori gerakan yang sama dan dikelaskan menggunakan model Markov tersembunyi (HMM) (Liu & Chua 2006). Manakala, pemadanan corak vektor aliran dilakukan dengan menggunakan mesin vektor sokongan (SVM) bagi mengesan peristiwa ragut (Ibrahim et al. 2012). Teknik vektor aliran dapat menghasilkan keputusan pengesanan yang baik dalam video pengamatan, namun ini amat sensitif pada perubahan pencahayaan dan hingar serta perlaksanaanya dalam sistem masa nyata adalah sukar kerana masa pengiraan yang lama (Ibrahim et al. 2012). Penyarian fitur gerakan juga boleh digunakan untuk mengira jarak antara dua objek dan halaju gerakan. Pemerhatian pada kedudukan jarak antara dua objek adalah penting dalam membuat pengesanan awal peristiwa ragut. Selepas itu, purata halaju dan aliran vektor gerakan yang diperolehi akan dapat mengesan perubahan mendadak pada halaju dan arah gerakan objek yang disasar.
Pembinaan model dipadankan dengan peristiwa yang dapat memenuhi konteks maklumat awal tersebut. Oleh itu, perbezaan antara pemerhatian semasa dengan perilaku normal yang telah diramal dapat mengesan perubahan pada PBSTT.
2.8 KAEDAH PENGELASAN PBSTT
Berdasarkan sifat-sifat yang signifikan dalam senario peristiwa jatuh, kaedah pengelasan yang sesuai ditentukan bagi mengenal pasti detik berlakunya peristiwa jatuh yang kebanyakannya menggunakan kaedah analitik dan mesin pembelajaran. Bahagian seterusnya menerangkan kedua-dua kaedah tersebut.
2.8.1 Kaedah Analitik
Kaedah ini menentukan detik peristiwa jatuh dalam data video yang telah direkod berdasarkan analisa sarian fitur secara empirik dan kaedah yang popular adalah berdasarkan nilai ambang. Peristiwa jatuh ditentukan apabila nilai sifat yang disari melebihi nilai ambang yang ditentukan. Sebagai contoh, Vishwakarma et al. (2007) menentukan empat nilai ambang yang berbeza pada sifat objek 2D iaitu nisbah bidang, kecerunan menegak, kecerunan mendatar dan sudut jatuh. Pengesanan peristiwa jatuh dijalankan pada objek tunggal dalam persekitaran dalaman dan luaran serta kamera dengan pandangan selari, pandangan atas dan pandangan omni. Rougier et al. (2007) pula menggunakan nilai ambang bagi menentukan perubahan sifat bentuk iaitu nisbah paksi major dan paksi minor elips serta kuantiti gerakan. Keputusan pengesanan peristiwa jatuh menggunakan kaedah analitik menunjukkan kadar kepekaan dan ketentuan masing-masing adalah 88% dan 87.5% untuk 24 jenis data aktiviti harian.
kadar pengesanan peristiwa jatuh sebanyak 99.7%. Selain itu. Kaedah nilai ambang turut digunakan dalam kajian oleh penyelidik lain (Miao et al. 2009; Shoaib et al. 2010; Rougier et al. 2007).
Prestasi kaedah pengesanan berdasarkan nilai ambang sangat bergantung kepada kesesuaian nilai ambang yang dipilih. Namun begitu, nilai ambang yang sesuai/optimal agak sukar ditentukan dalam pengesanan peristiwa jatuh dalam persekitaran masa sebenar. Tambahan pula, nilai ambang yang berbeza perlu ditentukan bagi setiap sifat objek yang berbeza. Oleh itu, kaedah mesin pembelajaran digunakan bagi mengatasi masalah tersebut.
2.8.2 Kaedah Mesin Pembelajaran
Dalam kajian ini, kaedah mesin pembelajaran (KMP) boleh dibahagikan kepada dua iaitu KMP terselia dan tanpa selia. Huraian kedua-dua kaedah tersebut adalah seperti berikut.
a. KMP Terselia
Kaedah pengelasan berasaskan mesin pembelajaran terselia perlu melatih vektor sifat yang disari terlebih dahulu sebelum pengelasan dilakukan. Vektor sarian sifat ini digunakan oleh pengelas terselia untuk membezakan peristiwa jatuh berdasarkan pelbagai jenis aksi atau postur tubuh. Antara contoh pengelas mesin pembelajaran terselia ialah k-kejiranan terdekat (k-NN), rangkaian neural tiruan (ANN), mesin vektor sokongan (SVM) dan Model Markov Tersembunyi (HMM).
RUJUKAN
Adelson, E. H. & Bergen, J. R. 1985. Spatiotemporal energy models for the perception of motion. Journal of the Optical Society of America, 2(2), 284–99.
Ahonen T., Hadid A., & Pietikainen M. 2004. Face recognition with local binary patterns. Proceeding European Conference Computer Vision, 469–481.
Albright, T., Desimone, R. & Gross, C. 1984. Columnar organization of directionally selective cells in visual area MT of the macaque. Journal Neurophysiolgy, 51(1), 16–31.
Anderson, D., Member, S., Luke, R. H., Keller, J. M., Skubic, M., Rantz, M. J. & Aud, M. A. 2009. Modeling Human Activity From Voxel Person Using Fuzzy Logic. IEEE Transactions on Fuzzy Systems, 17(1), 39–49.
Atiqur R. M., Tan J. K., Kim H. & Ishikawa, S. 2010. Motion history image: its variants and applications. Machine Vision and Applications, 23(2), 255–281. doi:10.1007/s00138-010-0298-4
Auvinet, E., Rougier, C., Meunier, J., St-Arnaud, A. & Rousseau, J. 2010. Multiple cameras fall dataset. http://vision3d.iro.umontreal.ca/fall-dataset/.[10 September 2011]
Auvinet, E., Multon, F., Saint-Arnaud, A., Rousseau, J. & Meunier, J. 2011. Fall detection with multiple cameras: an occlusion-resistant method based on 3-D silhouette vertical distribution. IEEE Transactions on Information Technology in Biomedicine, 15(2), 290–300. doi:10.1109/TITB.2010.2087385
Ballan, L., Bertini, M., Del Bimbo, A., Seidenari, L. & Serra, G. 2010. Event detection and recognition for semantic annotation of video. Multimedia Tools and Applications, 279–302.
Barralonl, P., Virone, G., Bois, P., Hamel, I. & Rumeau, P. 2003. A smart sensor based on rules and its evaluation in daily routines. Proceeding International Conference of IEEE Engineering in Medicine and Biology Society, 3286–3289.
Barron, J., Fleet, D. & Beauchemin, S. 1994. Performance of Optical Flow Techniques. International Journal of Computer Vision, 121, 43–77.
Black, M. . & Anandan, P. 1996. The Robust Estimation of Multiple Motions : Parametric and Piecewise-Smooth Flow Fields. Computer Vision and Image Understanding, 63(1), 75–104.
Bobick A. & Davis J. 1997. The representation and recognition of human movement using temporal templates. IEEE Conference on Computer Vision and Pattern Recognition, 928-934
Bobick, A. F. & Davis, J. W. 2001. The Recognition of Human Movement Using Temporal Templates, IEEE Transactions on Pattern Analysia and Machine Intelligence, 23(3), 257–267.
Born, R.T & Bradley, D. C. 2005. Structure and function of visual area MT. Annual. Review Neuroscience, 28, 157–189.
Bosch-Jorge, M., Sánchez-Salmerón, A.-J., Valera, Á., & Ricolfe-Viala, C. 2014. Fall detection based on the gravity vector using a wide-angle camera. Expert Systems with Applications, 41(17), 7980–7986. doi:10.1016/j.eswa.2014.06.045
Bremond F., Zouba N., Anfonso A., Thonnat M., Pascual E. & O. Guerin. 2010. Monitoring elderly activities at home. Journal of Gerontechnology, 2(2),263. Brulin, D., Benezeth, Y. & Courtial, E. 2012. Posture recognition based on fuzzy logic
for home monitoring of the elderly. IEEE Transactions on Information Technology in Biomedicine ,16(5), 974–82. doi:10.1109/TITB.2012.2208757
Bugmann, G., Christodoulou, C. & Taylor, J. 1997. Role of temporal integration and fluctuation detection in the highly irregular firing of a leaky integrator neuron model with partial reset. Neural Computation, 9(5), 985–1000.
Candamo, J., Shreve, M., Goldgof, D.B., Sapper, D.B., Kasturi, R. 2010. Understanding transit scenes: A survey on human behavior-recognition algorithms. IEEE Transaction Intelligent Transportation Syst, (11), 206–224. Canny J. 1986. A Computational Approach for Edge Detection. IEEE Transaction
Pattern Analalysis Machine Intelligent, 8(6), 679–698.
Castro, E. De & Morandi, C. 1987. Registration of translated and rotated images using finite Fourier transforms. Pattern Analysis and Machine Intelligent, 9, 700–703. Cucchiara, R., Grana, C., Prati, A., Member, A. & Vezzani, R. 2005. Probabilistic
Posture Classification for Human-Behavior Analysis. IEEE Transaction System Man and Cybernetics. Part A System Humans, 35(1), 42–54.
Cucchiara, R., Prati, A. & Vezzani, R. 2007. Vezzani: A multi-camera vision system for fall detection and alarm generation. Expert Systems Journal, 24(5), 334–345. Daugmann, J. 1988. Complete discrete 2D-Gabor transforms by neural networks for
Diraco G., Leone A., Siciliano P. 2010. An active vision system for fall detection and posture recognition in elderly healthcare. Design, Automation & Test in Europe Conference & Exhibition, 1536 – 1541.
Escobar, M.-J. & Kornprobst, P. 2012. Action recognition via bio-inspired features: The richness of center–surround interaction. Computer Vision and Image Understanding, 116(5), 593–605. doi:10.1016/j.cviu.2012.01.002
Fang, Q., Berglund, J., Jensen, J., Thakkar, P. & Ren, D. 2004. Speckle noise reduction in SAR imagery using a local adaptive median filter. GIS Science and Remote Sensing, 41(3), 244–266.
Foroughi, H., Aski, B.S., Pourreza, H. 2008. Intelligent Video Surveillance for Monitoring Fall Detection of Elderly in Home Environments. Proceedings of the 11th IEEE International Conference on Computer and Information Technology, 219–224.
Foroughi, H., Rezvanian, A. & Pazirae, A. 2008. Robust fall detection using human shape and multi-class support vector machine. 6th Indian Conference on Computer Vision, Graphics Image Processing,413-420.
Foroughi H., Naseri A., Saberi A., H. S. Y. 2008. An Eigenspace-Based Approach for Human Fall Detection Using Integrated Time Motion Image and Neural Network. IEEE International Conference on Signal Processing, 1499–1503. Gabor, D. 1946. Theory of Communication. Journal Institution of Electrical
Engineers, 94(73), 429–459.
Gamboa S. & Silva F. 2010. Patient tracking system. International Conference on Pervasive Computing Technologies for Healthcare, 1–2.
Giese, M. & Poggio, T. 2003. Neural Mechanisms for the Recognition of Biological Movements and Actions. Nature Reviews Neuroscience, 4, 179–192.
Gowun, J., Yang, H. S. 2010. Context Aware Activity Recognition by Markov Logic Networks of Trained Weights. International Conference on Virtual System and Multimedia, 5–12.
Goya, K., Zhang, X., Kitayama, K. 2009. A Method for Automatic Detection of Crimes for Public Security by Using Motion Analysis. International Conference on Intelligent Information Hiding and Multimedia Signal Process, 736–741.
Hazelhoff, L., Han, J., Peter H.N. deWith. 2008. Video-based Fall Detection in the Home using Principal Component Analysis. Advance Concepts Intelligent Vision System, 298–309.
Hongeng, S. & Nevatia, R. 2001. Multi-agent Event Recognition. Proceedings of the International Conference Computer Vision, 88–93.
Horn, B. K. P. & Schunck, B. G. 1981. Determining Optical Flow. Artificial Intelligence, 17, 185–204.
Htike, Z., Egerton, S. & Chow, K. 2011. A monocular view-invariant fall detection system for the elderly in assisted home environments. 7th International Conference on Intelligent Environments, 40-46.
Hubel, D. & Wiesel, T. 1968. Receptive Fields and Functional Architecture of Monkey Striate Cortex. Journal of Neurophysiology, 195, 215–243.
Hsu Y.T., Hsieh J.W., Kao H.F., Liao H.Y.M. 2005. Human behavior analysis using deformable triangulations. IEEE Workshop on Multimedia Signal Processing, 1– 4.
Ibrahim, N.; Mustafa, M.M.; Mokri, S.S.; Siong, L.Y.; Hussain, A. 2012. A. Detection of snatch theft based on temporal differences in motion flow field orientation histograms. International Journal Advanced Computer Technology, 4, 308–317. Izhikevich, E. M. 2004. Which model to use for cortical spiking neurons? IEEE Trans
Neural Network, 15(5), 1063–1070.
Jagacinski R.J., Johnson W.W. & Miller R. A. 1983. Quantifying the cognitive trajectories of extrapolated movements. Journal Expert Psychology Humans Perception Performance, 9, 43–57.
Jansen, B. & Deklerck, R. 2006. Context Aware Inactivity Recognition for Visual Fall Detection. IEEE Pervasive Health Conference and Workshops, 1–4.
Jhuang, H., Serre, T., Wolf, L. & Poggio, T. 2007. A Biologically Inspired System for Action Recognition. 2007 IEEE 11th International Conference on Computer Vision, 1–8. doi:10.1109/ICCV.2007.4408988
Johnson, A., Hamid, R., Batta, S., Bobick, A., Isbell, C., Coleman, G. 2005. Detection and Explanation of Anomalous Activities. IEEE Conference on Computer Vision and Pattern Recognition, 1031–1038.
Jones J., & Palmer L.A. 1987. An Evaluation of the Two-Dimensional Gabor Filter Model of Simple Receptive Fields in cat Striate Cortex. Journal Neurophysiology, 58, 193–201.
Kurby, C. A. & Zacks, J. M. 2008. Segmentation in the perception and memory of events. Trends in Cognitive Sciences, 12(2), 72–79.
Laila Alhimale, Hussein Zedan, A. A.-B. 2014. The implementation of an intelligent and video-based fall detection system using a neural network. Applied Soft Computing, 18, 59–69.
Lavee, G., Rivlin, E. & Rudzsky, M. 2009. Understanding video events: A survey of methods for automatic interpretation of semantic occurrences in video. IEEE Transaction System Man and Cybernatics- Part C, (39), 489–504.
Lee T. & Mihailidis. A. 2005. An intelligent emergency response system: preliminary development and testing of automated fall detection. Journal Telemedicine and Telecare, 4, 194–198.
Liao, Y. T., Huang, C.-L. & Hsu, S.-C. 2012. Slip and fall event detection using Bayesian Belief Network. Pattern Recognition, 45(1), 24–32. doi:10.1016/j.patcog.2011.04.017
Liu, C.-L., Lee, C.-H. & Lin, P.-M. 2010. A fall detection system using k-nearest neighbor classifier. Expert Systems with Applications, 37(10), 7174–7181. doi:10.1016/j.eswa.2010.04.014
Liu, X. & Chua, C.-S. 2006. Multi-agent activity recognition using observation decomposed hidden Markov models. Journal Image and Vision Computing, 24, 166–176.
Liu Y. & Zheng, Y. F. 2005. One-against-all multi-class SVM classification using reliability measures. Proceedings. IEEE International Joint Conference on Neural Networks, 2, 849–854. doi:10.1109/IJCNN.2005.1555963
Lucas, B. D. & Kanade, T. 1981. An Iterative Image Registration Technique with an Application to Stereo Vision. DARPA Image Understanding Workshop, 121–130. Ma, X., Wang, H., Xue, B., Zhou, M., Ji, B., & Li, Y. 2014. Depth-Based Human Fall Detection via Shape Features and Improved Extreme Learning Machine, Journal of Biomedical and Health Informatics, 18(6), 1915–1922.
Majumder A. J. A., Zerin I, Sheikh I. A. & Smith O.R 2014. A multi-sensor approach for fall risk prediction and prevention in elderly. ACM SIGAPP Applied Computing Review, 14(1), 41–52.
Mante, V. & Carandini, M. 2005. Mapping of stimulus energy in primary visual cortex. Journal of Neurophysiology, 94, 788–798.
Meng, H., Pears, N. & Bailey, C. 2007. A Human Action Recognition System for Embedded Computer Vision Application. IEEE Conference on Computer Vision and Pattern Recognition, 1–6. doi:10.1109/CVPR.2007.383420
Mile Group 2012, MILE Data Set. http://www.milegroup.net/ [2 Februari 2012] Miao Yu, Naqvi S. M. & Chambers J. 2009. Fall Detection In Elderly by Head
Tracking. 15th Workshop on Statistical Signal Processing, 357–360.
Miaou, S.G., Sung, P.H. & Huang, P. 2006. A Customized Human Fall Detection System Using Omni-Camera Images and Personal Information. Proceeding of Transaction Disciplinary Conference on Distributed Diagnosis and Home Healthcare, 39–42.
Miaou,Y., Yuanzhang Y., Rhuma, A., Naqvi, S. M. R., Wang, L. & Chambers, J. A. 2013. An online one class support vector machine-based person-specific fall detection system for monitoring an elderly individual in a room environment. IEEE Journal of Biomedical and Health Informatics, 17(6), 1002–14. doi:10.1109/JBHI.2013.2274479
Mirmahboub, B., Samavi, S., Karimi, N. & Shirani, S. 2013. Automatic monocular system for human fall detection based on variations in silhouette area. IEEE Transactions on Bio-medical Engineering, 60(2), 427–36. doi:10.1109/TBME.2012.2228262
Mubashir, M., Shao, L. & Seed, L. 2013. A survey on fall detection: Principles and approaches. Neurocomputing, 100, 144–152. doi:10.1016/j.neucom.2011.09.037 Nart-Charif H., S.J.Mc Kenna. 2004. Activity summarisation and fall detection in a
supportive home environment. International Conference on Pattern Recognition, 4,323-326.
Nagel, H. H. 1988. From image sequences towards conceptual descriptions. Image Vision Computing, (6), 59–74.
Nikom S. 2011. Integrated Surveillance System for National Security – A Review. Special Issue of the International Journal of the Computer, the Internet and Management, 19(SP1),6.1-6.8.
Noury, N., Fleury, A., Rumeau, P., Bourke, a K., Laighin, G. O., Rialle, V. & Lundy, J. E. 2007. Fall detection--principles and methods. International Conerence of IEEE Engineering in Medicine and Biology Society, 3286–3289. doi:10.1109/IEMBS.2007.4352627
Olivieri, D. N., Gómez Conde, I. & Vila Sobrino, X. A. 2012. Eigenspace-based fall detection and activity recognition from motion templates and machine learning. Expert Systems with Applications, 39(5), 5935–5945. doi:10.1016/j.eswa.2011.11.109
Pack, C. & Conway, B. 2006. Spatiotemporal structure of nonlinear subunits in macaque visual cortex. Journal of Neuroscience, 26(3), 893–907.
Parker, A. J. 2007. Binocular Depth Perception and the Cerebral Cortex. Nature Reviews Neuroscience, 8, 379–391.
Paul, M., Haque, S. M. E. & Chakraborty, S. 2013. Human detection in surveillance videos and its applications - A review. EURASIP Journal on Advances in Signal Processing, (1), 176.
Petkov, N. & Subramanian, E. 2007. Motion detection, noise reduction, texture suppression and contour enhancement by spatiotemporal Gabor filters with surround inhibition. Biological Cybernetics, 97(5-6), 423–439.
Popoola, K. & Wang, O. P. 2012. Video-Based Abnormal Human Behavior Recognition—A Review. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(6), 865–878. doi:10.1109/TSMCC.2011.2178594
Raudys, S. & Tamosiunaite, M. 2000 Bio-inspired of Feedforward Networks for Signal Classification. in Ferri, F.J., Inesta, J.M., Amin, A. Pudil, P. (Eds):’Advances in pattern recognition, lecture notes in computer science, (Springer, Berlin), 1876, 727–736.
Raul, I., Carlos, M. & Inmaculada, P. 2013. Challenges, issues and trends in fall detection systems. Bio-Medical Engineering Online, 12(66), 1–24.
Rivera M., Dalmau O., & Mio W. 2010. Spatial sampling for images segmentation. Proceeding of International Symposium on Computer and Information Sciences, 62,309-314.
Rougier, C., Meunier, J., St-Arnaud, A. & Rousseau, J. 2007. Fall Detection from Human Shape and Motion History Using Video Surveillance. 21st International Conference on Advanced Information Networking and Applications Workshops, 875–880. doi:10.1109/AINAW.2007.181
Rougier, C., Meunier, J., St-Arnaud, A. & Rousseau, J. 2011. Robust Video Surveillance for Fall Detection Based on Human Shape Deformation. IEEE Trans. on Circuits and Systems for Video Technology, 21(5), 611–622. doi:10.1109/TCSVT.2011.2129370
